Video to Text (ZH)

提取视频语音并转成中文文字稿。当用户给出抖音、B站（bilibili/b23.tv）、YouTube、快手、视频号等常见视频网站的链接，想要"提取视频里说话的内容""视频转文字""语音转文字""视频字幕提取"时，必须使用本技能。即使用户只发了一个视频链接没说要做什么，也应主动用本技能识别并转写其中的说话内容。

视频语音转文字

把常见视频网站的链接一键转成中文文字稿（带时间轴 + 纯文字两版）。

支持的站点与下载方式

站点	链接形式	下载方式
抖音	v.douyin.com 短链 / douyin.com/video/ID	yt-dlp 会失败（需要新鲜 Cookie），自动回退无头 Chromium 捕获
B站	b23.tv 短链 / bilibili.com/video/BV号	yt-dlp 直接下载
YouTube	youtu.be / youtube.com/watch	yt-dlp 直接下载
快手、其他	短链或长链	先 yt-dlp，失败后 Chromium 回退

用法

bash

python <skill目录>/scripts/video_to_text.py "<视频链接>" [输出目录] [--model small] [--keep-media]

• 输出目录缺省为当前目录，产出 文字稿.txt 和 meta.json（含标题、站点信息）
• --model：whisper 模型大小，base 更快、small（默认）准确率更高、medium 更准但更慢
• --keep-media：保留下载的音视频中间文件（默认转写后清理）
• 直接管道输出文字稿，同时在回复中完整引用给用户

内部流程（脚本已自动完成，仅在排错时需要了解）

1. 展开短链接（跟随 302）
2. 站点识别与 URL 规范化（提取视频 ID，去掉跟踪参数）
3. yt-dlp -x 提取音频；失败且为抖音类站点时，用无头 Chromium 打开页面捕获媒体直链（优先纯音频轨，体积小得多）
4. 用 imageio-ffmpeg 的完整版 ffmpeg（不是 Playwright 自带的精简版——那个没有 mp4 解码器，会报 "Invalid data found when processing input"）统一转成 16kHz 单声道 WAV
5. faster-whisper 中文转写（CPU int8，VAD 过滤静音）

依赖检查

脚本依赖：requests、imageio-ffmpeg、faster-whisper、yt-dlp、playwright。 首次使用前确认：

bash

python -c "import requests, imageio_ffmpeg, faster_whisper, yt_dlp, playwright"

缺什么装什么（pip install <包名>）。Chromium 在 %LOCALAPPDATA%\ms-playwright\ 下自动发现； 没有的话 python -m playwright install chromium。

长视频处理

单次转写受执行环境超时限制（约 5 分钟）。音频超过约 8 分钟时，改用分段策略：

1. 下载音频后转 16kHz WAV
2. 用 ffmpeg 按 6~7 分钟切段（段间留 10 秒重叠，如 -ss 0/-t 400、-ss 390/-t 400……）
3. 逐段调用 faster-whisper，时间戳加上段的偏移量
4. 合并时丢弃每段开头约 12 秒（与上一段重叠的部分），再统一做术语校正

英文术语（DeFi、NFT、GameFi、DApps 等）在中文语音里极易被听错，后处理时务必按上下文校正。

结果后处理原则

• 国学、方言、专业术语多的视频，small 模型会听错同音字（如"运有变数"听成"孕有变数"、"言传身教"听成"言传深教"）。结合视频标题和上下文语义校正明显的同音错字，并在交付时向用户说明做了哪些校正
• 长视频（>10 分钟）转写耗时会明显变长，可先用 --model base 快速出稿
• 无语音或纯背景音乐的视频，转写结果为空，如实告知用户
• 始终用中文回复用户